通过单次测量的潜在空间运动跟踪实现前瞻性动态三维 MRI 重建

基于摘要分析。本文研究 MRI 引导放疗等场景中的前瞻性动态三维 MRI 重建：仅利用当前采集的测量，在超稀疏采样和严格延迟约束下同时完成图像重建与运动估计。作者提出 PDMR，通过离线学习运动场的低维潜在流形，支持快速在线适配；研究对象是 MRI 图像及三维形变场，并非 EEG 解码或 BCI。 核心机制是将形变向量场（DVFs）参数化在低维流形上，以缩小在线适配的搜索空间，并采用 tri-plane representation 对三维运动进行几何感知、内存高效的编码。其方法价值在于把较复杂的运动表征学习放到离线阶段，将在线优化限制在更紧凑的潜在空间。摘要未提供流形学习的具体架构、损失函数、训练监督、测量算子或在线优化流程，也未说明标题中“单次测量”的具体采集单位。 作者报告，在 XCAT digital phantoms 与自建腹部 MRI 数据集上，PDMR 在 Immediate 和 After-2min 两类前瞻性场景中获得高保真、时间一致的重建，并优于所比较的先进回顾性方法和在线方法。摘要未给出重建指标、运行延迟、样本规模、划分方式及基线名称，因此无法量化优势，也不能据此确认临床实时性能；两类场景的具体定义、实验协议、消融及统计信息尚未验证。 复现评估需核对离线训练与在线测试的分离方式、运动流形对未见运动的覆盖、测量稀疏程度、端到端耗时及计算硬件，并确认自建数据和实现的可获取性。该机制依赖三维几何形变与 MRI 测量之间的对应关系，摘要没有提供其与 EEG/BCI 瓶颈的具体对应证据，因此不据此提出 EEG 迁移结论或复现实验；已有 EEG 相关工作尚未检索确认。